EduIA Pulse #8 | investigación sobre IA y aprendizaje en educación by BlinkLearning
Si juntas los mejores estudios publicados sobre IA generativa en asignaturas de ciencias y descuentas los que se publicaron precisamente porque el resultado era llamativo, el beneficio medio para el aprendizaje se queda prácticamente en cero. Pero dentro de ese cero conviven estudios con resultados excelentes y estudios con resultados peores que no usar nada, y lo que los separa no es el modelo ni la asignatura: es cuánto trabajo mental le queda al estudiante. En una encuesta a 514 universitarios, el elemento del diseño de una asignatura que más se asocia con el pensamiento crítico no es la herramienta ni el tipo de tarea: es cómo se evalúa. En un curso de ecología con 45 estudiantes, los dos pasos peor valorados fueron justo aquellos en los que la IA les llevaba la contraria. Y entre 404 estudiantes vascos, quienes mejor se organizan por objetivos son también quienes más delegan en la IA.
Este mes, cuatro estudios que, leídos juntos, cambian la pregunta: no se trata de si la IA funciona, sino de qué esfuerzo sustituye —o provoca— el diseño que la rodea.
1. Cuando se descuenta el efecto del cajón, el beneficio desaparece
Boolzen, Kuhn, Flegr, Rott, Stausberg & Küchemann — LMU Múnich y TU Dresden (2026)
Abrimos con el trabajo más incómodo del mes, porque no cuestiona una herramienta: cuestiona la base sobre la que el sector viene tomando decisiones.
El equipo rastreó tres grandes bases de datos académicas hasta mayo de 2026 buscando estudios que cumplieran una condición exigente: que hubiera un grupo de estudiantes usando IA generativa y otro grupo comparable que no la usara, y que se midiera aprendizaje real, evaluado desde fuera. Dos parejas de revisores cribaron todo por separado. Quedaron 85 estudios, de los cuales 49 pudieron combinarse en un único cálculo conjunto.
El primer resultado es el que suele acabar en titulares: un beneficio medio grande. Para situarlo, la medida que se usa para comparar estudios distintos entre sí funciona más o menos así: 0,2 es un efecto pequeño, 0,5 moderado y 0,8 grande. Aquí salió 0,84. Excelente noticia… durante un párrafo.
Porque el segundo resultado la desmonta. Los estudios no se parecen entre sí: la diferencia entre unos y otros es tan enorme que casi nada de ella se explica por azar. Los autores lo traducen en una frase que conviene leer dos veces: con la evidencia disponible, si mañana se hace un estudio nuevo, el resultado podría ir desde un perjuicio considerable hasta un beneficio espectacular, y no hay forma de anticipar cuál. A eso se suma un problema conocido: los estudios que encuentran resultados llamativos se publican; los que no encuentran nada se quedan en el cajón, y el cálculo conjunto solo ve los primeros. Los autores repitieron el análisis con un método que estima cuánto pesa ese cajón invisible. El beneficio medio se desvaneció: 0,08, indistinguible de cero.
Lo que sí sobrevive a esa corrección son dos factores, y ahí está el hallazgo que ordena todo el número. El primero: la IA ayuda a adquirir conocimientos (efecto 1,14, grande) pero no a desarrollar destrezas (0,16, estadísticamente indistinguible de cero). El segundo es una clasificación de las intervenciones según lo que la IA le hace al trabajo del estudiante. Cuando transforma la actividad —el alumnado hace algo cognitivamente más exigente de lo que haría sin ella—, el efecto es 1,13. Cuando la amplía —hace lo mismo, con un apoyo añadido—, 0,89. Y cuando simplemente sustituye un método equivalente sin cambiar el trabajo mental, el efecto es −0,21: negativo. Sustituir no es neutro; sale peor que no usarla.
Dos detalles rematan el cuadro. Primero, 33 de los estudios incluidos informan de efectos grandes únicamente porque al grupo de control se le pidió una tarea mucho más fácil: no compararon la IA con una buena clase, sino con casi nada. Segundo, de los 52 estudios revisados en busca de dificultades del alumnado, solo 20 las mencionan siquiera; diez documentan que los estudiantes aceptan sin cuestionar respuestas incorrectas —en un trabajo con estudiantes de física se dieron por buenas el 47% de las respuestas erróneas de ChatGPT— y ninguno de ellos enseñó a verificar. Ninguno.
«No es todavía posible afirmar qué combinación de factores de las intervenciones con IA generativa está causalmente relacionada con los resultados cognitivos de aprendizaje.» — Boolzen et al., 2026
2. 514 universitarios y una palanca inesperada: la evaluación
Chen & Wang — Universidad Kyungnam (Corea del Sur) y Universidad de Finanzas y Economía de Anhui (China) (2026)
Si el trabajo anterior concluye que todo depende de si la IA sustituye o amplía el esfuerzo del estudiante, la pregunta obvia es qué decisión concreta del docente inclina la balanza. Este estudio va exactamente a eso.
Los autores encuestaron por toda China a personas con experiencia universitaria que hubieran usado IA generativa en una asignatura con permiso o guía del profesorado. Se quedaron con 514 respuestas válidas, repartidas casi a partes iguales entre carreras de ciencias y de letras. La idea que ponen a prueba es una cadena: tres decisiones del docente —plantear tareas de indagación, acompañar al alumnado y diseñar la evaluación— provocarían dos cosas en el estudiante. Una, desconcierto productivo: darse cuenta de que lo que dice la IA no encaja con lo que uno creía, con el libro o con el profesor. Y dos, elaboración: explicar, comparar, verificar e integrar hasta resolver ese desajuste. El resultado final que miden es la capacidad de analizar, evaluar y decidir con criterio.
El primer hallazgo es que usar la tecnología, por sí solo, no explica esa capacidad. La explican el diseño de la asignatura y los procesos mentales que activa. El segundo es el que más debería hacernos pensar. De las tres decisiones docentes, la que más se asocia con ese desconcierto productivo es la evaluación, con un peso casi tres veces mayor que el de las tareas de indagación o el acompañamiento; y es también la que más influye en el resultado final. Dicho en la práctica: cuando la nota no premia solo el trabajo entregado, sino que obliga a documentar cómo se usó la IA, con qué criterio se comprobó y por qué se cambió lo que se cambió, el alumnado pasa de aceptar a examinar.
Los autores completan el análisis con una técnica que, en vez de preguntar qué ingrediente pesa más por separado, busca recetas completas: qué combinaciones de condiciones aparecen en los estudiantes con mejores resultados. Y aquí aparece el matiz útil: ningún ingrediente es imprescindible por sí solo, y hay cuatro combinaciones distintas que llevan al mismo sitio. La más frecuente es la cadena completa —tareas de indagación, evaluación del proceso, desconcierto y elaboración—, pero existe una cuarta en la que las tareas y la evaluación son flojas y el acompañamiento del profesor lo compensa todo. No hay una receta única; hay varias, y una de ellas depende enteramente del docente.
Un apunte curioso: la única diferencia relevante entre carreras de ciencias y de letras aparece en un punto. Las tareas de indagación generan ese choque de ideas en las disciplinas de letras y prácticamente no lo generan en las de ciencias, donde el alumnado tiende a usar la IA para resolver, calcular o comprobar resultados. Y una cautela: todo el estudio se basa en lo que los estudiantes dicen de sí mismos en un único momento, no en pruebas objetivas.
«Las diferencias en el pensamiento de orden superior en contextos de aprendizaje asistido por IA generativa pueden proceder de variaciones en el diseño instruccional y en las vías cognitivas asociadas a él, y no del uso de la tecnología por sí solo.»
— Chen & Wang, 2026
3. Ocho pasos, con la IA encendida y apagada por turnos
Mikaelyan, McKenney, Mathieson & Toprani — North Carolina State University y Elon University (2026)
Los dos trabajos anteriores describen qué tipo de diseño funciona. Este muestra uno real, puesto en marcha en un aula concreta, con sus valoraciones y sus decepciones.
En un curso universitario de ecología con 45 estudiantes, el equipo implantó un recorrido de ocho pasos para pasar de un interés vago a una pregunta de investigación defendible, alternando deliberadamente tramos con IA y sin IA: elegir el tema sin ayuda; generar subtemas y palabras clave con ChatGPT; hacer la revisión de literatura a mano y solo después contrastarla con NotebookLM; pedir a ChatGPT que planteara preguntas incómodas sobre la novedad y la viabilidad de la idea; reformular la pregunta; volver a las fuentes sin IA; y terminar con comentarios de compañeros y del profesor. La IA no aparece como generadora de respuestas, sino como abogado del diablo. Al final, cada estudiante puntuó de 1 a 4 la utilidad de cada paso y escribió una reflexión.
Todos los pasos salieron bien parados: en los ocho, la valoración más repetida fue «me ayudó mucho», y las diferencias entre unos y otros son demasiado pequeñas como para darlas por firmes. Pero el orden dice algo. Arriba, el paso final, el feedback humano (3,16 sobre 4), y el paso de contrastar la propia revisión de literatura con la de la IA (3,09). Abajo, empatados en 2,73, los dos pasos en los que la IA cuestionaba al estudiante y le obligaba a rehacer su pregunta.
Ese detalle merece leerse despacio. Los pasos mejor valorados fueron los que anclaban las ideas en evidencia y en el juicio de otra persona; los peor valorados, los que generaban fricción. Encaja con algo que ya hemos visto en números anteriores: el alumnado tiende a preferir lo que le alivia. Y encaja con el metaanálisis anterior: el desconcierto productivo funciona, pero no resulta agradable, y por eso necesita estar dentro de una estructura obligatoria en lugar de depender de las ganas de cada estudiante. Como contrapeso, 22 de las 45 reflexiones (casi la mitad) contenían frases de revisión del propio razonamiento —«me di cuenta de que…», «tuve que replantear…»—, y varios estudiantes dijeron fiarse más del criterio de un compañero que del de la IA.
Los autores marcan ellos mismos el límite, y conviene respetarlo: esto mide lo que los estudiantes creen que les ayudó, no la calidad real de sus preguntas de investigación; son 45 personas de un solo curso; y una escala en la que todas las opciones son positivas tiende a acumular respuestas altas. Aun así, para un centro que quiera aterrizar lo anterior, el valor está menos en los números que en el patrón: intercalar tramos sin IA en los que el estudiante tenga que volver a las fuentes por su cuenta.
«La IA generativa puede apoyar el aprendizaje por indagación cuando se integra en flujos instruccionales estructurados que la sitúan como retadora socrática y no como generadora de respuestas.»
— Mikaelyan et al., 2026
4. Quien mejor se organiza es también quien más delega
Galindo-Domínguez, Delgado, Sainz-de-la-Maza & Etxabe — Universidad del País Vasco (2026)
Los tres trabajos anteriores ponen el foco en el diseño. Este lo desplaza al estudiante que llega a ese diseño, y encuentra algo que complica el cuadro.
El equipo encuestó en septiembre de 2025 a 404 estudiantes de grados de educación de la Universidad del País Vasco, de 21 años de media. Midió cuatro capacidades de autorregulación —fijarse objetivos, perseverar, tomar decisiones y aprender de los errores— y, como indicador de dependencia, la frecuencia con la que usan IA generativa para redactar trabajos académicos. Añadieron una pregunta abierta sobre qué papel juega la IA en sus decisiones.
El resultado es una paradoja limpia. Los estudiantes que mejor se fijan objetivos usan más la IA, no menos: tienen claro adónde van y la ven como un atajo eficiente. Pero esa misma capacidad alimenta la perseverancia, y la perseverancia tira en dirección contraria: quien sostiene el esfuerzo delega menos. Lo mismo ocurre con aprender de los propios errores. De todas las rutas que analizaron, la más clara —y la única realmente sólida— es la de la perseverancia. Tener metas no protege. Sostener el esfuerzo, sí.
El segundo hallazgo templa el alarmismo. La dependencia está lejos de ser generalizada: en una escala de 1 a 5, la media de uso de IA para escribir trabajos es de 1,99, y en las respuestas abiertas un 42,5% declara un uso mínimo o nulo y un 16,6% la limita a buscar información básica. Solo un 13% la emplea como estrategia para resolver tareas académicas y un 8% en la toma de decisiones. Un 3% menciona por iniciativa propia cautela ética o evitación deliberada. La delegación fuerte se concentra en una minoría, no en una generación.
Los propios autores insisten en los límites, y son importantes: todo son respuestas autoinformadas sobre un tema en el que admitir el uso de IA resulta delicado —así que las cifras probablemente se quedan cortas—, la dependencia se mide con una sola pregunta de frecuencia, y la muestra sale de una única universidad y de titulaciones de educación. Sobre todo, hay un dato que conviene retener: toda la autorregulación junta explica apenas 7 de cada 100 puntos de diferencia entre unos estudiantes y otros en cuánto delegan. El 93% restante está en otro sitio. Muy probablemente, en el diseño.
«La fijación de metas se asocia a la vez con una autorregulación adaptativa y con un riesgo de sobredependencia instrumental de la IA, dependiendo de la fuerza con la que la perseverancia esté presente.»
— Galindo-Domínguez et al., 2026
La gran idea del mes
Cuatro estudios publicados en las últimas semanas. Una revisión que reúne 85 trabajos y borra el beneficio medio, una encuesta a 514 universitarios que señala la evaluación como palanca, un recorrido de ocho pasos probado con 45 estudiantes y un estudio con 404 futuros docentes sobre quién resiste la tentación de delegar. Y una idea que atraviesa los cuatro, aunque ninguno la enuncie por completo.
La pregunta «¿funciona la IA en educación?» no tiene respuesta, y no por falta de estudios: por cómo está formulada. La IA no es una intervención educativa. Es un objeto que puede colocarse en sitios muy distintos del proceso de aprender, y el efecto pertenece al sitio, no al objeto. La revisión de Múnich lo demuestra de la forma más nítida posible: la misma tecnología sale negativa cuando sustituye un trabajo que el estudiante hacía, claramente positiva cuando lo amplía y todavía mejor cuando lo transforma en algo más exigente. Ese abanico no es ruido alrededor de una cifra verdadera; ese abanico es el hallazgo. Y explica por qué un campo entero lleva tres años publicando resultados contradictorios: estaba midiendo la variable equivocada.
Si el efecto pertenece al diseño, la siguiente pregunta es qué parte del diseño mueve más. Chen y Wang dan una respuesta que un centro puede usar mañana: la evaluación, muy por encima del tipo de tarea y del acompañamiento. No es casual. La evaluación es lo único que determina de forma fiable qué esfuerzo le sale a cuenta hacer al estudiante; mientras se califique solo el resultado final, cualquier herramienta capaz de producir resultados finales se usará para sustituir. Cuando lo que se califica es el proceso —cómo se comprobó, qué se descartó y por qué—, la misma herramienta cambia de bando. El trabajo de Mikaelyan enseña la versión operativa de esa idea, con la IA encendida y apagada por turnos, y con un aviso útil: los pasos que más trabajo mental exigen son los que peor puntúa el alumnado, así que no pueden dejarse a su elección.
Queda la advertencia del cuarto estudio, que impide cerrar el argumento en falso. El diseño no lo es todo: lo que protege frente a la delegación es la perseverancia, y no está repartida por igual. La propia revisión de Múnich recuerda que quienes menos saben de la materia son los que más aceptan respuestas incorrectas. Un diseño que exija verificar sin haber enseñado a verificar amplía la brecha en lugar de cerrarla. Y ahí está el dato más crudo del mes: entre los estudios que documentan a estudiantes tragándose respuestas equivocadas, ninguno les había enseñado a detectarlas. Sabemos desde hace décadas que la detección de errores se aprende y se entrena. Llevamos tres años sin entrenarla.
La pregunta que te dejamos
Piensa en una asignatura concreta de tu centro en la que ya se use IA. Si mañana la calificación dejara de premiar solo el trabajo entregado y empezara a pedir el rastro de cómo se comprobó, ¿qué cambiaría en lo que hacen tus estudiantes? ¿Y quién les ha enseñado, explícitamente y con práctica, a detectar cuándo la respuesta que tienen delante está mal?
Nos encantaría leer tu experiencia en los comentarios. 👇
🔗 Fuentes
— Boolzen, C., Kuhn, J., Flegr, S., Rott, E.-M., Stausberg, N. & Küchemann, S. (2026). Evidence of impact and interpretational limits of generative AI in STEM education: a systematic review and meta-analysis on cognitive learning outcomes. Artificial Intelligence Review (manuscrito aceptado, en prensa). doi:10.1007/s10462-026-11665-9
— Chen, Y. & Wang, J. (2026). How instructional design shapes higher-order thinking among higher education students in generative artificial intelligence-supported teaching contexts. Scientific Reports (en prensa). doi:10.1038/s41598-026-66335-1
— Mikaelyan, A., McKenney, E. A., Mathieson, O. L. & Toprani, D. (2026). The Socratic Challenger: a structured GenAI-assisted workflow for undergraduate research inquiry. Frontiers in Education, 11, 1913451. doi:10.3389/feduc.2026.1913451
— Galindo-Domínguez, H., Delgado, N., Sainz-de-la-Maza, M. & Etxabe, J.-M. (2026). Self-regulation and overreliance on artificial intelligence: Unpacking a paradox through a mixed-methods study in higher education. Computers in Human Behavior, 181, 108985. doi:10.1016/j.chb.2026.108985
📌 EduIA Pulse es la publicación mensual de BlinkLearning sobre investigación en IA y educación.